概率圖模型及計算機視覺應用 Graphical Models for Computer Vision

郭濤

Turing Lab發起人，主要從事模式識別與人工智能、智能機器人技術、
軟件工程技術和地理人工智能（GeoAI）、時空大數據挖掘與分析等前沿交叉領域研究。
曾翻譯過《複雜性思考：複雜性科學和計算模型（第2版）》《神經網絡設計與實現》等多本圖書。

目錄
譯者序
第1章 知識背景和學習動機
1.1 引言
1.2 本書目標和特點
1.3 PGM介紹
1.3.1 PGM的主要問題
1.4 本書大綱
參考文獻
第2章 基礎概念
2.1 引言
2.2 隨機變量與概率
2.2.1 隨機變量與概率定義
2.2.2 基本的概率法則
2.2.3 獨立性和條件獨立性
2.2.4 均值、協方差、相關性和獨立性
2.2.5 概率不等式
2.2.6 概率分佈
2.3 基本的估計方法
2.3.1 極大似然法
2.3.2 貝葉斯估計法
2.4 優化方法
2.4.1 連續優化
2.4.2 離散優化
2.5 採樣和样本估計
2.5.1 採樣技術
2.5.2 樣本估計
參考文獻
第3章 有向概率圖模型
3.1 引言
3.2 貝葉斯網絡
3.2.1 BN表示
3.2.2 BN的特性
3.2.3 貝葉斯網絡的類型
3.3 BN推理
3.3.1 精確推理方法
3.3.2 近似推理方法
3.3.3 高斯BN的推理
3.3.4 貝葉斯推理
3.3.5 不確定證據下的推理
3.4 完全數據下的BN學習
3.4.1 參數學習
3.4.2 結構學習
3.5 缺失數據下的BN學習
3.5.1 參數學習
3.5.2 結構學習
3.6 人工貝葉斯網絡規範
3.7 動態貝葉斯網絡
3.7.1 簡介
3.7.2 學習和推理
3.7.3 特殊的DBN
3.8 分層貝葉斯網絡
3.8.1 分層貝葉斯模型
3.8.2 分層深層模型
3.8.3 混合分層模型
3.9 附錄
3.9.1 式（3.63）證明
3.9.2 高斯貝葉斯網絡證明
3.9.3 拉普拉斯近似
參考文獻
第4章 無向概率圖模型
4.1 引言
4.1.1 定義和性質
4.2 成對馬爾可夫網絡
4.2.1 離散成對馬爾可夫網絡
4.2.2 標記觀測馬爾可夫網絡
4.2.3 高斯馬爾可夫網絡
4.2.4 受限玻爾茲曼機
4.3 條件隨機場
4.4 高階長程馬爾可夫網絡
4.5 馬爾可夫網絡推理
4.5.1 精確推理方法
4.5.2 近似推理方法
4.5.3 其他MN推理方法
4.6 馬爾可夫網絡學習
4.6.1 參數學習
4.6.2 結構學習
4.7 馬爾可夫網絡與貝葉斯網絡
參考文獻
第5章 計算機視覺應用
5.1 引言
5.2 用於低級計算機視覺任務的PGM
5.2.1 圖像分割
5.2.2 圖像去噪
5.2.3 用MRF標記圖像
5.2.4 用CRF進行圖像分割
5.2.5 用貝葉斯網絡進行圖像分割
5.3 用於中級計算機視覺任務的PGM
5.3.1 目標檢測與識別
5.3.2 場景識別
5.3.3 目標追踪
5.3.4 三維重建和立體視覺
5.4 用於高級計算機視覺任務的PGM
5.4.1 面部表情識別
5.4.2 人類活動識別
5.4.3 為人類活動識別刻畫上下文
參考文獻
索引